全球語音大模型，角逐方向盤後的麥克風

語音AI的戰爭，已經從文本對話框裏轉移到了汽車座艙、智能眼鏡和無線耳機。

7月，實時語音Agent戰場上連爆多顆信號彈。

7月23日，Anthropic爲Claude Voice做了一次重大升級，語音模式不再侷限於Haiku輕量模型，Opus和Sonnet開始驅動語音推理，同時接入了Gmail、Calendar、Slack等應用。7月24日，亞馬遜升級Alexa+，支持跨Echo音箱、手機App、車載設備和網頁端的無縫多輪對話，背後是Nova和Anthropic Claude混合路由的模型架構。

7月28日，阿里雲Qwen Audio 3.0 Realtime Plus以99.2%的成績刷新Artificial Analysis Big Bench Audio紀錄，登頂全球語音推理排行榜，但它的平均首音延遲高達4.02秒。7月29日，SpaceXAI（原xAI）發佈Grok Voice Think Fast 2.0，首音延遲壓到0.70秒，Big Bench Audio得分97.2%，在衡量Agent自主執行能力的τ-Voice基準上以56.5%遙遙領先，GPT-Realtime-2.1 High是45.7%，Gemini 3.1 Flash High是37.7%。更早一些，7月6日，OpenAI也發佈了GPT-Realtime-2.1。

SpaceXAI、OpenAI、Anthropic、Amazon、阿里雲、Google。這不再是某個細分賽道的局部摩擦，而是一場從API到硬件終端、從消費電子到智能座艙的全線交火。

過去半年，實時語音Agent領域上演了一場激烈的短兵相接。評判勝負的標準落在了三個硬指標上：首音延遲、語音識別精度、調用成本。

先說SpaceXAI。Grok Voice Think Fast 2.0的首音延遲爲0.70秒，從用戶說完話到AI開口，在大多數人尚未察覺的間隙就已完成了應答。作爲對比，v1.0的TTFA是1.25秒，GPT-Realtime-2高推理模式是2.33秒，Gemini 3.1 Flash High是2.98秒，Qwen Audio 3.0 Realtime Plus是4.02秒。在Vapi Humanness Index的TTS延遲實測中，Grok TTS的流式模式首音延遲已壓到285毫秒，標準模式460毫秒。2.0在此基礎上進一步優化了推理效率：推理token減少60%，工具調用可以在用戶說完第一句話之前就開始執行。

xAI從一開始就把語音管線做成了一體化，自研語音活動檢測、自研音頻分詞器、自研端到端語音模型，傳統ASR→LLM→TTS的三級流水線被xAI壓縮成了一個模型。這就是285毫秒的物理學解釋：每繞過一層中間件，就省掉一層延遲和一層錯誤概率。

在Artificial Analysis的綜合語音質量指數上，Think Fast 2.0總評分82.9%，較v1.0的75.7%提升9.5%，超越了GPT-Realtime-2.1的79.1%和Gemini 3.1 Flash的69.5%；Full Duplex Bench從77.8%跳升至95.1%，逼近GPT-Realtime-2.1的95.7%。轉錄準確率在嘈雜環境中的提升更是以數量級計，10倍於上一代，遠超專業轉錄模型的水平。

但阿里雲在7月28日打破了這一格局。Qwen Audio 3.0 Realtime Plus以99.2%的成績刷新Big Bench Audio紀錄，超過了Grok Voice Think Fast 2.0的97.2%、Step-Audio R1.1的97.6%和GPT-Realtime-2.1 High的96.0%。在會話動態和Agent執行維度上也分別以98.4%和54.6%領先。代價是4.02秒的平均首音延遲。Qwen Audio的Plus和Flash雙版本策略精準契合不同場景：Flash面向實時交互（首包延遲300毫秒級）、Plus面向高質量生成。但在車載、穿戴、通話這些對延遲零容忍的場景中，4秒意味着不可用。

這個矛盾暴露了當前技術競賽中一個繞不開的取捨：追求極致推理精度的模型，往往在延遲上買單，Qwen Big Bench Audio的TTFA是Grok的5.7倍。而在實時語音領域，延遲是物理天花板，0.5秒以內的延遲讓人感覺「在對話」，1.5秒左右就變成了“在等機器人”，到4秒，用戶只會覺得「這功能壞了」。

OpenAI的打法是另一條路。GPT-Realtime-2.1在7月6日發佈後，旗艦模型音頻輸入32/百萬token、輸出64/百萬token，mini版10和20。理論折算約0.05/分鐘，獨立開發者實測的數據則迅速偏離理論值，一個房產導覽AI的實際均價約0.07/分鐘，最差情況$0.146/分鐘。token計費在長對話場景下的成本膨脹，是OpenAI語音模型商業化繞不開的難題。

Google Gemini 3.1 Flash Live在3月發佈時曾在ComplexFuncBench Audio上以90.8%的函數調用準確率和90多種語言支持引人注目。但開發者論壇中持續發酵的延遲投訴，某些模型版本從500毫秒增至1800毫秒，甚至10秒以上的等待，暴露出規模化部署中的穩定性隱患。對於車企和穿戴設備廠商，這種不穩定性比「慢」更致命。

如果再把鏡頭拉遠一點，比七月更早落子的還有兩個重量級玩家。

微軟在6月的Build大會上將Voice Live API正式推入GA階段。這套API把STT、LLM、TTS、降噪、回聲消除、打斷處理、Avatar打包成一個統一接口，開發者不需要自己拼接語音管線。更關鍵的是微軟的雙重身份：它既是GPT-Realtime-2.1的雲平台宿主（企業客戶通過Azure調用OpenAI模型），又在推自己的Azure-Realtime自研模型。Voice Live已經和Foundry Agent Service打通，支持WebSocket和WebRTC低延遲連接，直接嵌入了企業級Agent開發的全流程。微軟走的是一條「平台即壁壘」的路線，客戶一旦把語音Agent跑在Azure上，遷移成本遠比切換一個API端點高得多。

Meta則在開源側投下了一枚重彈。4月，Meta以Apache 2.0協議開源了Llama-Voice，一個7B參數的TTS基礎模型，支持52種語言，10秒音頻即可零樣本聲音克隆，能在消費級GPU上實時運行。上線48小時下載量突破80萬，社區迅速衍生出podcasting、有聲書、遊戲NPC配音等幾十個微調版本。Meta手裏還有SeamlessStreaming v2，支持100多種語言的實時語音翻譯，延遲約2秒。結合Ray-Ban Meta Gen 2這個已經在售的硬件終端，Meta擁有從開源模型到消費硬件的完整通路，OpenAI恰好缺這一塊。

SpaceXAI、OpenAI、阿里雲和Google被歸在「實時語音」這同一個標籤下，但底層架構的差異直接決定了它們在延遲、推理深度和成本結構上的分野。加上Anthropic和亞馬遜，至少能看到四種截然不同的技術選擇。

最激進的是Grok Voice的原生端到端路線。音頻輸入、音頻輸出，全由一個模型完成。這套架構最大膽的一點，是它在WebSocket連接中直接處理原始音頻信號，不經過ASR轉文本，也不經過TTS合成。60%的推理token壓縮從側面印證了這一點，2.0不需要把用戶說的每句話都拆成詳細文本再推理，模型直接在音頻語義空間中完成了「理解」。Grok TTS在Vapi Humanness Index上的電話實體識別錯誤率僅5.0%，而ElevenLabs爲12.0%、Deepgram爲13.5%。

相比之下，OpenAI的Realtime API雖然標稱支持端到端，在成本結構和延遲特徵上更像一個「多模態ChatGPT加實時音頻編解碼器」。token計費，上下文越長越貴，緩存機制（0.40/百萬輸入token旗艦版）只能部分對沖。實際部署中0.05至$0.15/分鐘的波動區間意味着，用戶的每一輪追問都在悄悄抬高賬單。

Anthropic和亞馬遜則走出了兩條既不同於Grok也不同於OpenAI的混合路線。

Anthropic選擇輪次制（listen→think→speak）而非全雙工，以推理深度和工具準確性換取實時流暢度。Claude Voice的Opus模式可以幫用戶演練客戶提案、推敲邏輯漏洞，同時連接Gmail、Calendar、Slack等應用，每一步操作前都要求用戶確認，核心邏輯是語音不只是一個交互界面，它應該能推動真實的工作流程。代價是交互節奏不如全雙工自然，但在需要深思熟慮的場景中，輪次制的深度優於全雙工的流暢。

亞馬遜走多模型路由，通過Bedrock平台讓Nova處理快速任務、Anthropic Claude處理複雜推理，各司其職。6億台Echo終端是Alexa的基本盤，但7月升級釋放了更重要的信號，Alexa+已經跨出硬件，進入了瀏覽器、手機App和車載設備。亞馬遜同時推進代號Moonraker的Agent項目，投入超過1億美元GPU算力，目標是實現多任務聯動交互，但高昂成本已在內部引發爭議。

這兩家的共同判斷是「不爲全雙工犧牲其他能力」，在大多數生產力場景中，用戶要的是一個靠譜的結果，而不是一個能隨時插話的聊天對象。

而在光譜的另一端，Deepgram和AssemblyAI代表的傳統語音專業廠商，仍然在三級流水線基礎上通過高度優化的專用模型縮小短板。AssemblyAI在字母數字識別任務上的錯誤率16.7%，低於OpenAI的23.3%和Deepgram的25.5%。Deepgram一口價$4.50/小時覆蓋全鏈路。但這種「拼積木」架構的天花板是明確的，每增加一箇中間環節，就多一層延遲。對於車載和穿戴場景，傳統流水線的天花板約在600至1500毫秒，而端到端方案已經下探到了300毫秒以下。

這四種路線之外，還有一個不可忽視的變量正在浮現：端側推理。Liquid AI與奔馳的合作、Meta的Llama-Voice在消費級GPU上的實時運行，都指向將語音推理完全放在設備端。這條路目前在算力和模型壓縮上有約束，待高通、蘋果和車企定製芯片的迭代完成後，端側語音推理有可能在2027至2028年進入主流量產。屆時，雲端語音API的商業模式將面臨根本性挑戰。

從定價策略來看，SpaceXAI的戰略意圖很清晰。

Grok Voice Think Fast 1.0的定價是0.05/分鐘。2.0漲到0.08/分鐘，但伴隨的是TTFA從1.25秒壓至0.70秒、轉錄嘈雜環境提升10倍、推理速度翻倍和Agent執行能力的躍升。更重要的一個動作是，grok-voice-latest端點將在8月5日自動從1.0遷移到2.0。大多數開發者沒有理由爲省$0.03而固守舊版。

OpenAI的GPT-Realtime-2.1折算約0.05至0.15/分鐘。Google採用類似token計費。Qwen Audio 3.0 Realtime Plus的輸入成本約4.42/小時，比GPT-Realtime-2.1的10.75/小時便宜六成，但比Grok Voice貴了近一倍。

單獨看每分鐘幾美分的價差微不足道。換算成商業場景：一個月10萬分鍾通話量（對大型客服中心而言並不罕見），Grok Voice 2.0的8,000對比OpenAI的7,000至$15,000。如果是特斯拉百萬輛車隊每天產生數百萬分鐘語音交互，價差將以百萬美元計。

但真正透露戰略野心的，是xAI獨立拆分出的STT和TTS API定價。Grok STT定價0.10/小時批處理、0.20/小時流式，不到Deepgram同類服務的幾十分之一。Grok TTS定價4.20/百萬字符，比OpenAI的約30低86%，比ElevenLabs的約$50低90%以上。這種近乎「成本價傾銷」的策略，只有在馬斯克手中同時掌握特斯拉（終端）、Starlink（網絡）和X（數據與分發）時才有商業合理性。語音API可以薄利甚至虧損，生態內的其他環節會加倍賺回來。

這套用定價壓力倒逼行業洗牌、再用生態鎖定效應收割的邏輯，與當年AWS碾壓傳統IDC如出一轍。

特斯拉是目前全球最大規模的實時語音Agent生產部署。Grok Voice已經在數百萬輛車中投入實戰。夏季的車輛軟件更新通過「Hey Grok」免喚醒詞將語音控制從導航擴展到打電話、放音樂、調空調、開手套箱，它能讀車輛狀態、規劃路線、調用搜索和工具。這比任何API計費面板、任何開發者demo都更有說服力，每一次對話既是一次A/B測試，也是一條訓練數據。

車載語音市場的膨脹速度佐證了這個判斷。據Global Market Insights數據，全球車載語音助手市場2025年約爲84億美元，預計以9.7%的年複合增長率擴張至2035年的213億美元。智能座艙市場則以11.8%的CAGR從2025年的82億美元奔向2035年的250億美元。梅賽德斯-奔馳已與Liquid AI合作，計劃下半年將端側語音AI集成入MB.OS操作系統。Lucid選擇了SoundHound。每一家車企都押注同一個判斷，在自動駕駛逐步解放雙手之後，語音將成爲座艙的主交互通道。

穿戴設備比車載走得更遠。Ray-Ban Meta Gen 2已經將攝像頭、麥克風和AI語音助手集成進一副與普通太陽鏡無異的鏡框；Rokid Glasses選擇MiniMax Speech作爲底層語音引擎。用戶可以用語音搜索、翻譯、拍照、導航。Meta沒有公開其AI眼鏡的語音模型供應商，但考慮到Meta與SpaceXAI的競爭關係以及OpenAI與微軟的綁定，這本身就說明了一個事實，硬件廠商沒有忠誠度，只有「誰更快更便宜」的判斷。一旦某個語音模型在速度和成本上取得決定性優勢，硬件廠商的切換隻是時間問題。

國內實時語音的競爭格局，遠比一兩家公司撐起來的場面要熱鬧。

阿里雲的Qwen Audio 3.0 Realtime Plus和Flash雙版本已覆蓋從高精度到低延遲的全場景需求。但放眼整個賽道，國內至少還有五家公司在同一方向上投入了實質性力量。

字節跳動是其中最不可忽視的一家。豆包大模型搭載的Seeduplex端到端語音架構，已在超過700萬輛量產車上落地，覆蓋50多個汽車品牌。2026年4月，Seeduplex完成了新一輪升級，通過火山引擎向企業客戶輸出實時語音能力。字節的優勢在於「模型加渠道」的雙重槓桿，既有自研模型，又有抖音和火山引擎的龐大分發網絡。

MiniMax走的是另一條路：扎根語音基礎設施，把生意做到了全球。Speech 2.6模型的端到端延遲壓到250毫秒以下，支持40多種語言，已被LiveKit（ChatGPT高級語音模式的技術棧）、Pipecat、Vapi等海外主流語音平台採用。在智能硬件側，Haivivi Bubble Pal、Fuzozo、Rokid Glasses都在用MiniMax Speech。MiniMax的策略很明確：不跟OpenAI和SpaceXAI在通用大模型上正面拼，而在語音這個垂直層做到「誰的管道里都有我」。

科大訊飛是語音領域的資深玩家，在國內市場的根基遠比其他幾家深厚。據IDC數據，訊飛在語音語義市場的份額爲15.6%，位居第一。2026年2月發佈的星火X2大模型基於全國產算力訓練，6月集中發佈了四款企業級AI應用，將實時語音交互作爲核心賣點。訊飛的核心壁壘不在通用基準跑分上，而在垂直場景的深度滲透：教育口語測評、醫療語音病歷、政務熱線智能坐席、車載語音，每一塊都是需要行業know-how的硬骨頭。

百度在語音大模型上的投入也值得留意。2026年1月，百度發佈了業界首個基於Cross-Attention的端到端語音語言大模型，響應延遲壓到412毫秒。百度地圖AI副駕在五一期間服務突破2億人次，依託文心大模型實現了全行業獨家的雙工語音對話能力。百度手裏還有小度全系智能硬件和龐大的車企合作網絡（比亞迪、吉利等12家車企搭載了小度車載系統），在「模型加終端」的維度上，百度是國內極少數能與字節對標的企業。

智譜AI的GLM-4-Voice於2024年10月上線，是國內最早一批端到端語音大模型之一，在中文語義理解和長任務執行上建立了口碑。騰訊混元通過TRTC實時音視頻平台的AI對話能力、搜狗輸入法的AI語音（98%準確率、方言識別提升30%）、騰訊視頻的角色扮演語音通話等產品矩陣，把語音AI嵌入已有的超級App生態中。

這六家中國公司加上阿里雲，構成了國內實時語音的「七雄」格局。各自切入的角度、積累的優勢、主攻的戰場各不相同，但在一個方向上高度重合：車企是所有人的首要客戶畫像。中國新能源汽車的智能化競賽已經推進到語音助手，但多數用戶並不清楚「支持實時語音」這句話背後的延遲差距。毫秒之間，天壤之別。

實時語音Agent的戰局給出了三個清晰信號。

速度即護城河。在文本大模型領域，一個百分點的基準差距或許不會轉化爲用戶體驗的差異。但在語音交互中，100毫秒的延遲差距就能被用戶的下意識反應感知到。Qwen在推理精度上大幅領先，但4秒的代價意味着在車載和穿戴場景中暫時出局。0.70秒對4.02秒，這不只是快慢之分，是能用與不能用的區別。

這個物理天花板指向一個清楚的終局，端到端原生架構將逐步替代三級流水線。但Anthropic的存在提醒了另一面：速度不是唯一標準，在需要深度推理和可靠執行的場景中，「慢而靠譜」比「快而飄乎」更有價值。終點可能不是某一條路線的全面勝利，而是端到端、輪次制和混合路由各自佔據不同場景的生態位。

硬件決定終局。純API模型公司正在面對一個現實，沒有自有硬件終端，語音AI的商業化天花板就是API計費。SpaceXAI通過特斯拉、Amazon通過Echo、Meta通過Ray-Ban、百度通過小度和車載合作，凡是擁有硬件出口的公司，在語音入口爭奪中天然多一條命。

OpenAI和Anthropic若不能儘快通過合作或自研進入硬件領域，將在下一階段處於被動。中國市場正以另一套武器打同一場仗，訊飛、字節、百度、阿里在車企供應鏈中的位置之戰，復刻着同一邏輯。語音入口的競爭，說到底是搶一個出廠默認的交互入口。特斯拉車主不會因爲OpenAI發佈了更快的模型就換掉車上的Grok。Ray-Ban Meta或Rokid Glasses如果綁定了某個語音模型，遷移成本也會使替換變得不划算。一旦被設爲默認，換掉它的交易成本就高到讓多數人選擇忍受。

定價只是起點。Grok TTS定價比ElevenLabs低90%，Llama-Voice開源免費，MiniMax以250毫秒延遲服務全球平台，語音基礎設施的價格正在被全面壓平，但這只是表層。SpaceXAI靠生態反哺（特斯拉、Starlink、X），Meta靠開源鋪設分發管道，微軟靠平台鎖定企業客戶，亞馬遜靠Echo終端和Prime會員捆綁。語音API的定價本身已經很難成爲獨立商業模式，真正的利潤在生態的其他環節。

對於開發者和硬件廠商，此刻需要做一個關鍵決策：綁定單一模型，還是多模型冗餘？前者的成本最低但鎖定風險最高；後者的延遲和體驗優化複雜度將成倍增加。無論走哪條路，都不能再用「等一等再看」的心態觀望。語音入口的窗口期，不會超過18個月。

語音不是大模型的附加功能，它是大模型第一次有機會直接長進物理世界的感官。而感官的租約一旦簽下，比API合同難解除得多。（本文首發鈦媒體APP，作者 | AGI-Signal，編輯 | 秦聰慧）

瀏覽 2萬